- 高等教育出版社
- 9787040680317
- 1版
- 16开
- 380
内容简介
本书是一本面向水利类院校非计算机专业开设的“人工智能通识导论”课程教材。全书在系统介绍人工智能通用理论的基础上，深度融入水利行业特色，旨在培养学生掌握AI基础，同时具备解决行业复杂问题的跨学科视野，是探索“通识教育＋行业应用”融合教学模式的教材。
全书分为三部分，共15章。第一部分（第1～10章）为人工智能通识理论，全面覆盖人工智能发展史、机器学习（线性回归、集成学习等）、深度学习（CNN、RNN、Transformer）以及大模型与生成式AI等前沿技术，构建扎实的通识基础；第二部分（第11～13章）为人工智能在水利工程领域的应用，通过水资源智慧管理、水利工程监测、水生态保护等典型场景，展示AI技术在水利垂直领域的落地实践；第三部分（第14～15章）为人工智能通识与专业实训，提供机器学习实操与大模型本地化部署指导，强化动手能力。
本书既可作为水利类院校非计算机专业的人工智能通识教材，也可作为相关专业研究生及行业从业者的参考用书。
全书分为三部分，共15章。第一部分（第1～10章）为人工智能通识理论，全面覆盖人工智能发展史、机器学习（线性回归、集成学习等）、深度学习（CNN、RNN、Transformer）以及大模型与生成式AI等前沿技术，构建扎实的通识基础；第二部分（第11～13章）为人工智能在水利工程领域的应用，通过水资源智慧管理、水利工程监测、水生态保护等典型场景，展示AI技术在水利垂直领域的落地实践；第三部分（第14～15章）为人工智能通识与专业实训，提供机器学习实操与大模型本地化部署指导，强化动手能力。
本书既可作为水利类院校非计算机专业的人工智能通识教材，也可作为相关专业研究生及行业从业者的参考用书。
目录
目录
前辅文
第一部分 人工智能通识理论
第1章 绪论
1.1 人工智能的起源与发展简史
1.1.1 人工智能的思想起源
1.1.2 达特茅斯会议与学科形成
1.1.3 从早期探索到阶段性低谷
1.1.4 从规则驱动到数据驱动
1.1.5 从机器学习到大模型时代
1.2 人工智能的研究内容与交叉学科体系
1.2.1 人工智能的核心研究内容
1.2.2 人工智能的核心研究目标
1.2.3 推理、决策与生成
1.2.4 人工智能的主要研究方向
1.2.5 人工智能的交叉学科体系
1.2.6 人工智能与行业场景融合
1.3 AI推动科学研究范式转变
1.3.1 人工智能进入科学研究
1.3.2 AI for Science的基本内涵
1.3.3 科学研究范式的变化
1.3.4 人工智能在水利及相关领域中的应用
本章小结
本章习题
第2章 人工智能的基本原理与早期应用
2.1 知识表示方法
2.1.1 知识表示的含义与作用
2.1.2 知识表示中的知识类型
2.1.3 典型知识表示方法
2.1.4 语义网络与框架表示
2.1.5 不同知识表示方法的比较与选择
2.2 推理方法与搜索策略
2.2.1 推理与搜索的基本问题
2.2.2 推理的含义与基本方式
2.2.3 搜索与状态空间
2.2.4 宽度优先搜索与深度优先搜索
2.2.5 启发式搜索及其意义
2.2.6 推理与搜索的结合
2.3 专家系统及其早期工程应用
2.3.1 专家系统的提出背景与基本思想
2.3.2 专家系统的组成结构
2.3.3 专家系统的工作流程
2.3.4 专家系统的早期工程应用
2.3.5 专家系统的优势与局限
本章小结
本章习题
第3章 机器学习的定义与分类
3.1 核心术语与流程
3.1.1 核心术语
3.1.2 基本流程
3.2 泛化能力与核心任务
3.3 机器学习算法分类
3.3.1 监督学习
3.3.2 无监督学习
3.3.3 半监督学习
3.3.4 强化学习
3.4 机器学习的典型应用
3.4.1 计算机视觉
3.4.2 自然语言处理
本章小结
本章习题
第4章 机器学习的经典算法与应用
4.1 线性回归
4.1.1 数学建模
4.1.2 学习准则
4.1.3 优化算法
4.2 逻辑斯谛回归
4.2.1 决策边界与概率映射
4.2.2 学习准则
4.2.3 优化过程
4.3 k近邻算法
4.3.1 算法三要素
4.3.2 惰性学习的特点
4.4 高斯混合模型
4.4.1 混合分布的思想
4.4.2 模型应用举例
4.5 决策树
4.5.1 模型结构
4.5.2 划分准则
4.6 集成学习
4.6.1 随机森林
4.6.2 集成学习的优势
本章小结
本章习题
第5章 神经网络基础
5.1 神经网络的发展历史
5.1.1 启蒙与初创（20世纪40年代—60年代）
5.1.2 第一次寒冬与反思（1969年—20世纪80年代）
5.1.3 复苏与爆发（20世纪80年代—至今）
5.2 神经元的数学模型与激活函数
5.2.1 生物神经元与人工数学模型的映射
5.2.2 激活函数：赋予神经网络“非线性”的表达能力
5.3 多层前馈神经网络的结构与演进
5.3.1 网络的层级架构
5.3.2 “前馈”与“全连接”的定义
5.3.3 参数与超参数的辨析
5.4 学习的机制：前向传播与误差反向传播
5.5 前馈网络的局限、反馈机制与前沿扩展
5.5.1 全连接网络的“参数爆炸”与空间结构丢失
5.5.2 前馈网络与反馈网络的本质区别
5.5.3 【前沿扩展】第三代神经网络：脉冲神经网络
本章小结
本章习题
第6章 图像处理与深度学习的核心算法与应用
6.1 图像分类技术的发展历程与典型应用场景
6.1.1 计算机视觉的基石：图像的数学表示
6.1.2 从手工特征工程到端到端的深度学习
6.1.3 计算机视觉的典型工程应用场景
6.2 卷积神经网络的基础理论：打破维度灾难
6.2.1 局部感受野
6.2.2 权值共享：参数骤减的方案
6.2.3 卷积层及其数学本质
6.2.4 池化层：特征降维与平移不变性
6.3 经典CNN模型结构分析：从LeNet‑5到现代架构
6.3.1 LeNet‑5模型深度剖析
6.3.2 【前沿扩展】从LeNet到深度残差网络（ResNet）
6.4 模型训练方法与调优策略
6.4.1 损失函数设计
6.4.2 优化器选择
6.4.3 学习率调整策略
本章小结
本章习题
第7章 自然语言处理与深度学习的核心算法与应用
7.1 自然语言处理的概念、发展历史与常见应用
7.1.1 自然语言处理的两大核心范畴
7.1.2 发展历史：从符号主义到深度学习的范式跃迁
7.1.3 典型应用场景与工程价值
7.2 文本预处理与表示：从原始字符到模型输入矩阵
7.2.1 文本切分：中英文分词的基础方法与差异
7.2.2 词向量工程：从独热编码到Word2Vec
7.3 循环神经网络与序列建模：赋予机器“记忆”
7.3.1 循环神经网络的内部结构与数学逻辑
7.3.2 循环神经网络的痛点：长期依赖与梯度消失
7.3.3 长短期记忆网络
7.4 编码器‑解码器架构与注意力机制
7.4.1 Seq2Seq架构的运转逻辑
7.4.2 传统Seq2Seq架构的“信息瓶颈”
7.4.3 注意力机制：模仿人类认知
7.5 Transformer架构核心原理：颠覆序列建模
7.5.1 为什么要抛弃RNN？来自现代GPU的工程算力呼唤
7.5.2 核心灵魂：自注意力（self‑attention）机制与Q‑K‑V矩阵
7.5.3 多头注意力：多维度的特征提取
7.5.4 位置编码：注入时间序列的坐标
7.6 预训练模型BERT与自然语言处理评价指标
7.6.1 BERT：开启NLP的“ImageNet时代”
7.6.2 自然语言处理的经典评价指标
本章小结
本章习题
第8章 大模型技术原理及应用
8.1 大模型的定义、预训练与微调技术
8.1.1 大模型的核心定义与关键特征
8.1.2 大模型的发展历程
8.1.3 大模型的训练要素：数据、算力与算法
8.1.4 预训练技术：大模型的“知识储备”核心
8.1.5 微调技术：大模型的“行业适配”关键
8.1.6 大模型的优化技术
8.2 大语言模型开源生态
8.2.1 开源大模型的核心价值与发展现状
8.2.2 主流开源大模型家族及核心特性
8.2.3 开源大模型的获取与部署工具
8.3 大模型开发流程与垂直行业适配挑战
8.3.1 大模型的完整开发流程
8.3.2 垂直行业适配的核心挑战
8.3.3 行业适配的应对策略与工程实践建议
本章小结
本章习题
第9章 生成式人工智能概述与核心技术
9.1 生成式AI原理及与传统AI的区别
9.1.1 生成式人工智能的概念与基本特征
9.1.2 生成式人工智能的发展阶段与关键支撑技术
9.1.3 生成式人工智能的价值与意义
9.2 生成模型训练与多模态内容生成
9.2.1 生成模型的训练思想与一般工作过程
9.2.2 典型生成模型及其基本原理
9.2.3 多模态内容生成与常见工具应用
9.2.4 提示词设计与使用方法
9.2.5 生成式人工智能的伦理挑战与规范治理
本章小结
本章习题
第10章 智能体与强化学习
10.1 智能体的基本结构与分类
10.1.1 智能体与环境交互的基本范式
10.1.2 理性、性能度量与PEAS描述
10.1.3 任务环境的分类维度
10.1.4 智能体程序的架构谱系
10.2 强化学习核心框架与Q‑Learning算法
10.2.1 马尔可夫决策过程：强化学习的数学语言
10.2.2 价值函数、贝尔曼方程与最优策略
10.2.3 时序差分学习：连接模型自由与自举的桥梁
10.2.4 Q‑Learning：异策略学习的经典实现
10.2.5 深度强化学习的前沿进展
10.3 人工智能伦理挑战、学术诚信与法律规范
10.3.1 人类伦理生活与人工智能的挑战
10.3.2 人工智能的五大伦理基准
10.3.3 中国优化共生设计方案
10.3.4 人工智能科研诚信与学术规范
10.3.5 人工智能的法律规制与司法应用
本章小结
本章习题
第二部分 人工智能在水利工程领域的应用
第11章 水资源智慧管理与优化调控
11.1 水库群联合调度
11.1.1 强化学习在多目标调度中的状态空间构建
11.1.2 基于深度Q网络的调度策略优化案例
11.2 灌溉系统智能控制
11.2.1 土壤墒情与作物需水的深度学习预测模型
11.2.2 分布式灌溉网络的强化学习决策框架
11.3 用水权市场化交易
11.3.1 深度学习驱动的初始用水权配置
11.3.2 多因素跟踪评估用水权交易效果
本章小结
本章习题
第12章 水利工程智能监测与安全评估
12.1 大坝安全监测
12.1.1 水利垂直行业大模型在安全评估中的演进与应用
12.1.2 CNN在大坝振动信号分析中的故障诊断
12.2 河道与堤防风险识别
12.2.1 无人机航拍图像的YOLO目标检测（如崩岸、管涌识别）
12.2.2 SAR影像在堤防隐患监测中的AI解译技术
12.2.3 基于大模型的极端天气风险预见期提升：华为盘古气象大模型
12.3 工程施工与运维优化
12.3.1 数字孪生驱动的施工进度预测
12.3.2 基于强化学习的运维资源调度优化
本章小结
本章习题
第13章 水生态综合保护与智能修复
13.1 生态流量预测
13.1.1 深度学习在河流生态流量阈值识别中的应用
13.1.2 多目标优化模型在生态流量与人类用水协调中的实践
13.2 水生生物栖息地评估
13.2.1 多光谱遥感数据的随机森林栖息地适宜性建模
13.2.2 物种分布模型与AI的结合技术
13.3 水污染溯源与治理方案优化
13.3.1 强化学习在流域污染治理策略优化中的应用
13.3.2 时空模式识别在面源污染溯源中的AI方法
13.4 污染源识别与水质预警
13.4.1 图神经网络在河流水质网络分析中的应用
13.4.2 时空关联分析在污染源追溯中的AI技术路径
本章小结
本章习题
第三部分 人工智能通识与专业实训
第14章 通用机器学习与深度学习实操
14.1 实操前提与环境准备
14.1.1 实操核心目标
14.1.2 软硬件环境配置
14.1.3 实操工具与数据集准备
14.2 通用机器学习实操
14.2.1 实操通用流程
14.2.2 通用机器学习基础实操
14.2.3 基于逻辑回归的垃圾邮件分类
14.2.4 实操技巧与注意事项
14.3 深度学习实操
14.3.1 深度学习实操通用流程
14.3.2 经典CNN模型的搭建、训练与结果可视化
14.3.3 深度学习实操技巧与注意事项
本章小结
本章习题
第15章 通用大模型与AIGC应用实践
15.1 基于Ollama的DeepSeek‑R1本地化快速部署与私人知识库问答
15.1.1 实验目的与环境准备
15.1.2 实验流程与实验步骤
15.2 利用AIGC工具协同生成水利文化/工程概念创意短视频
15.2.1 实验目的与环境准备
15.2.2 重要AIGC工具介绍
15.2.3 实践具体流程
15.2.4 实操案例
15.2.5 可作为备选的国内工具组合
本章小结
本章习题
每章习题参考答案
参考文献
前辅文
第一部分 人工智能通识理论
第1章 绪论
1.1 人工智能的起源与发展简史
1.1.1 人工智能的思想起源
1.1.2 达特茅斯会议与学科形成
1.1.3 从早期探索到阶段性低谷
1.1.4 从规则驱动到数据驱动
1.1.5 从机器学习到大模型时代
1.2 人工智能的研究内容与交叉学科体系
1.2.1 人工智能的核心研究内容
1.2.2 人工智能的核心研究目标
1.2.3 推理、决策与生成
1.2.4 人工智能的主要研究方向
1.2.5 人工智能的交叉学科体系
1.2.6 人工智能与行业场景融合
1.3 AI推动科学研究范式转变
1.3.1 人工智能进入科学研究
1.3.2 AI for Science的基本内涵
1.3.3 科学研究范式的变化
1.3.4 人工智能在水利及相关领域中的应用
本章小结
本章习题
第2章 人工智能的基本原理与早期应用
2.1 知识表示方法
2.1.1 知识表示的含义与作用
2.1.2 知识表示中的知识类型
2.1.3 典型知识表示方法
2.1.4 语义网络与框架表示
2.1.5 不同知识表示方法的比较与选择
2.2 推理方法与搜索策略
2.2.1 推理与搜索的基本问题
2.2.2 推理的含义与基本方式
2.2.3 搜索与状态空间
2.2.4 宽度优先搜索与深度优先搜索
2.2.5 启发式搜索及其意义
2.2.6 推理与搜索的结合
2.3 专家系统及其早期工程应用
2.3.1 专家系统的提出背景与基本思想
2.3.2 专家系统的组成结构
2.3.3 专家系统的工作流程
2.3.4 专家系统的早期工程应用
2.3.5 专家系统的优势与局限
本章小结
本章习题
第3章 机器学习的定义与分类
3.1 核心术语与流程
3.1.1 核心术语
3.1.2 基本流程
3.2 泛化能力与核心任务
3.3 机器学习算法分类
3.3.1 监督学习
3.3.2 无监督学习
3.3.3 半监督学习
3.3.4 强化学习
3.4 机器学习的典型应用
3.4.1 计算机视觉
3.4.2 自然语言处理
本章小结
本章习题
第4章 机器学习的经典算法与应用
4.1 线性回归
4.1.1 数学建模
4.1.2 学习准则
4.1.3 优化算法
4.2 逻辑斯谛回归
4.2.1 决策边界与概率映射
4.2.2 学习准则
4.2.3 优化过程
4.3 k近邻算法
4.3.1 算法三要素
4.3.2 惰性学习的特点
4.4 高斯混合模型
4.4.1 混合分布的思想
4.4.2 模型应用举例
4.5 决策树
4.5.1 模型结构
4.5.2 划分准则
4.6 集成学习
4.6.1 随机森林
4.6.2 集成学习的优势
本章小结
本章习题
第5章 神经网络基础
5.1 神经网络的发展历史
5.1.1 启蒙与初创（20世纪40年代—60年代）
5.1.2 第一次寒冬与反思（1969年—20世纪80年代）
5.1.3 复苏与爆发（20世纪80年代—至今）
5.2 神经元的数学模型与激活函数
5.2.1 生物神经元与人工数学模型的映射
5.2.2 激活函数：赋予神经网络“非线性”的表达能力
5.3 多层前馈神经网络的结构与演进
5.3.1 网络的层级架构
5.3.2 “前馈”与“全连接”的定义
5.3.3 参数与超参数的辨析
5.4 学习的机制：前向传播与误差反向传播
5.5 前馈网络的局限、反馈机制与前沿扩展
5.5.1 全连接网络的“参数爆炸”与空间结构丢失
5.5.2 前馈网络与反馈网络的本质区别
5.5.3 【前沿扩展】第三代神经网络：脉冲神经网络
本章小结
本章习题
第6章 图像处理与深度学习的核心算法与应用
6.1 图像分类技术的发展历程与典型应用场景
6.1.1 计算机视觉的基石：图像的数学表示
6.1.2 从手工特征工程到端到端的深度学习
6.1.3 计算机视觉的典型工程应用场景
6.2 卷积神经网络的基础理论：打破维度灾难
6.2.1 局部感受野
6.2.2 权值共享：参数骤减的方案
6.2.3 卷积层及其数学本质
6.2.4 池化层：特征降维与平移不变性
6.3 经典CNN模型结构分析：从LeNet‑5到现代架构
6.3.1 LeNet‑5模型深度剖析
6.3.2 【前沿扩展】从LeNet到深度残差网络（ResNet）
6.4 模型训练方法与调优策略
6.4.1 损失函数设计
6.4.2 优化器选择
6.4.3 学习率调整策略
本章小结
本章习题
第7章 自然语言处理与深度学习的核心算法与应用
7.1 自然语言处理的概念、发展历史与常见应用
7.1.1 自然语言处理的两大核心范畴
7.1.2 发展历史：从符号主义到深度学习的范式跃迁
7.1.3 典型应用场景与工程价值
7.2 文本预处理与表示：从原始字符到模型输入矩阵
7.2.1 文本切分：中英文分词的基础方法与差异
7.2.2 词向量工程：从独热编码到Word2Vec
7.3 循环神经网络与序列建模：赋予机器“记忆”
7.3.1 循环神经网络的内部结构与数学逻辑
7.3.2 循环神经网络的痛点：长期依赖与梯度消失
7.3.3 长短期记忆网络
7.4 编码器‑解码器架构与注意力机制
7.4.1 Seq2Seq架构的运转逻辑
7.4.2 传统Seq2Seq架构的“信息瓶颈”
7.4.3 注意力机制：模仿人类认知
7.5 Transformer架构核心原理：颠覆序列建模
7.5.1 为什么要抛弃RNN？来自现代GPU的工程算力呼唤
7.5.2 核心灵魂：自注意力（self‑attention）机制与Q‑K‑V矩阵
7.5.3 多头注意力：多维度的特征提取
7.5.4 位置编码：注入时间序列的坐标
7.6 预训练模型BERT与自然语言处理评价指标
7.6.1 BERT：开启NLP的“ImageNet时代”
7.6.2 自然语言处理的经典评价指标
本章小结
本章习题
第8章 大模型技术原理及应用
8.1 大模型的定义、预训练与微调技术
8.1.1 大模型的核心定义与关键特征
8.1.2 大模型的发展历程
8.1.3 大模型的训练要素：数据、算力与算法
8.1.4 预训练技术：大模型的“知识储备”核心
8.1.5 微调技术：大模型的“行业适配”关键
8.1.6 大模型的优化技术
8.2 大语言模型开源生态
8.2.1 开源大模型的核心价值与发展现状
8.2.2 主流开源大模型家族及核心特性
8.2.3 开源大模型的获取与部署工具
8.3 大模型开发流程与垂直行业适配挑战
8.3.1 大模型的完整开发流程
8.3.2 垂直行业适配的核心挑战
8.3.3 行业适配的应对策略与工程实践建议
本章小结
本章习题
第9章 生成式人工智能概述与核心技术
9.1 生成式AI原理及与传统AI的区别
9.1.1 生成式人工智能的概念与基本特征
9.1.2 生成式人工智能的发展阶段与关键支撑技术
9.1.3 生成式人工智能的价值与意义
9.2 生成模型训练与多模态内容生成
9.2.1 生成模型的训练思想与一般工作过程
9.2.2 典型生成模型及其基本原理
9.2.3 多模态内容生成与常见工具应用
9.2.4 提示词设计与使用方法
9.2.5 生成式人工智能的伦理挑战与规范治理
本章小结
本章习题
第10章 智能体与强化学习
10.1 智能体的基本结构与分类
10.1.1 智能体与环境交互的基本范式
10.1.2 理性、性能度量与PEAS描述
10.1.3 任务环境的分类维度
10.1.4 智能体程序的架构谱系
10.2 强化学习核心框架与Q‑Learning算法
10.2.1 马尔可夫决策过程：强化学习的数学语言
10.2.2 价值函数、贝尔曼方程与最优策略
10.2.3 时序差分学习：连接模型自由与自举的桥梁
10.2.4 Q‑Learning：异策略学习的经典实现
10.2.5 深度强化学习的前沿进展
10.3 人工智能伦理挑战、学术诚信与法律规范
10.3.1 人类伦理生活与人工智能的挑战
10.3.2 人工智能的五大伦理基准
10.3.3 中国优化共生设计方案
10.3.4 人工智能科研诚信与学术规范
10.3.5 人工智能的法律规制与司法应用
本章小结
本章习题
第二部分 人工智能在水利工程领域的应用
第11章 水资源智慧管理与优化调控
11.1 水库群联合调度
11.1.1 强化学习在多目标调度中的状态空间构建
11.1.2 基于深度Q网络的调度策略优化案例
11.2 灌溉系统智能控制
11.2.1 土壤墒情与作物需水的深度学习预测模型
11.2.2 分布式灌溉网络的强化学习决策框架
11.3 用水权市场化交易
11.3.1 深度学习驱动的初始用水权配置
11.3.2 多因素跟踪评估用水权交易效果
本章小结
本章习题
第12章 水利工程智能监测与安全评估
12.1 大坝安全监测
12.1.1 水利垂直行业大模型在安全评估中的演进与应用
12.1.2 CNN在大坝振动信号分析中的故障诊断
12.2 河道与堤防风险识别
12.2.1 无人机航拍图像的YOLO目标检测（如崩岸、管涌识别）
12.2.2 SAR影像在堤防隐患监测中的AI解译技术
12.2.3 基于大模型的极端天气风险预见期提升：华为盘古气象大模型
12.3 工程施工与运维优化
12.3.1 数字孪生驱动的施工进度预测
12.3.2 基于强化学习的运维资源调度优化
本章小结
本章习题
第13章 水生态综合保护与智能修复
13.1 生态流量预测
13.1.1 深度学习在河流生态流量阈值识别中的应用
13.1.2 多目标优化模型在生态流量与人类用水协调中的实践
13.2 水生生物栖息地评估
13.2.1 多光谱遥感数据的随机森林栖息地适宜性建模
13.2.2 物种分布模型与AI的结合技术
13.3 水污染溯源与治理方案优化
13.3.1 强化学习在流域污染治理策略优化中的应用
13.3.2 时空模式识别在面源污染溯源中的AI方法
13.4 污染源识别与水质预警
13.4.1 图神经网络在河流水质网络分析中的应用
13.4.2 时空关联分析在污染源追溯中的AI技术路径
本章小结
本章习题
第三部分 人工智能通识与专业实训
第14章 通用机器学习与深度学习实操
14.1 实操前提与环境准备
14.1.1 实操核心目标
14.1.2 软硬件环境配置
14.1.3 实操工具与数据集准备
14.2 通用机器学习实操
14.2.1 实操通用流程
14.2.2 通用机器学习基础实操
14.2.3 基于逻辑回归的垃圾邮件分类
14.2.4 实操技巧与注意事项
14.3 深度学习实操
14.3.1 深度学习实操通用流程
14.3.2 经典CNN模型的搭建、训练与结果可视化
14.3.3 深度学习实操技巧与注意事项
本章小结
本章习题
第15章 通用大模型与AIGC应用实践
15.1 基于Ollama的DeepSeek‑R1本地化快速部署与私人知识库问答
15.1.1 实验目的与环境准备
15.1.2 实验流程与实验步骤
15.2 利用AIGC工具协同生成水利文化/工程概念创意短视频
15.2.1 实验目的与环境准备
15.2.2 重要AIGC工具介绍
15.2.3 实践具体流程
15.2.4 实操案例
15.2.5 可作为备选的国内工具组合
本章小结
本章习题
每章习题参考答案
参考文献
前辅文
第一部分 人工智能通识理论
第1章 绪论
1.1 人工智能的起源与发展简史
1.1.1 人工智能的思想起源
1.1.2 达特茅斯会议与学科形成
1.1.3 从早期探索到阶段性低谷
1.1.4 从规则驱动到数据驱动
1.1.5 从机器学习到大模型时代
1.2 人工智能的研究内容与交叉学科体系
1.2.1 人工智能的核心研究内容
1.2.2 人工智能的核心研究目标
1.2.3 推理、决策与生成
1.2.4 人工智能的主要研究方向
1.2.5 人工智能的交叉学科体系
1.2.6 人工智能与行业场景融合
1.3 AI推动科学研究范式转变
1.3.1 人工智能进入科学研究
1.3.2 AI for Science的基本内涵
1.3.3 科学研究范式的变化
1.3.4 人工智能在水利及相关领域中的应用
本章小结
本章习题
第2章 人工智能的基本原理与早期应用
2.1 知识表示方法
2.1.1 知识表示的含义与作用
2.1.2 知识表示中的知识类型
2.1.3 典型知识表示方法
2.1.4 语义网络与框架表示
2.1.5 不同知识表示方法的比较与选择
2.2 推理方法与搜索策略
2.2.1 推理与搜索的基本问题
2.2.2 推理的含义与基本方式
2.2.3 搜索与状态空间
2.2.4 宽度优先搜索与深度优先搜索
2.2.5 启发式搜索及其意义
2.2.6 推理与搜索的结合
2.3 专家系统及其早期工程应用
2.3.1 专家系统的提出背景与基本思想
2.3.2 专家系统的组成结构
2.3.3 专家系统的工作流程
2.3.4 专家系统的早期工程应用
2.3.5 专家系统的优势与局限
本章小结
本章习题
第3章 机器学习的定义与分类
3.1 核心术语与流程
3.1.1 核心术语
3.1.2 基本流程
3.2 泛化能力与核心任务
3.3 机器学习算法分类
3.3.1 监督学习
3.3.2 无监督学习
3.3.3 半监督学习
3.3.4 强化学习
3.4 机器学习的典型应用
3.4.1 计算机视觉
3.4.2 自然语言处理
本章小结
本章习题
第4章 机器学习的经典算法与应用
4.1 线性回归
4.1.1 数学建模
4.1.2 学习准则
4.1.3 优化算法
4.2 逻辑斯谛回归
4.2.1 决策边界与概率映射
4.2.2 学习准则
4.2.3 优化过程
4.3 k近邻算法
4.3.1 算法三要素
4.3.2 惰性学习的特点
4.4 高斯混合模型
4.4.1 混合分布的思想
4.4.2 模型应用举例
4.5 决策树
4.5.1 模型结构
4.5.2 划分准则
4.6 集成学习
4.6.1 随机森林
4.6.2 集成学习的优势
本章小结
本章习题
第5章 神经网络基础
5.1 神经网络的发展历史
5.1.1 启蒙与初创（20世纪40年代—60年代）
5.1.2 第一次寒冬与反思（1969年—20世纪80年代）
5.1.3 复苏与爆发（20世纪80年代—至今）
5.2 神经元的数学模型与激活函数
5.2.1 生物神经元与人工数学模型的映射
5.2.2 激活函数：赋予神经网络“非线性”的表达能力
5.3 多层前馈神经网络的结构与演进
5.3.1 网络的层级架构
5.3.2 “前馈”与“全连接”的定义
5.3.3 参数与超参数的辨析
5.4 学习的机制：前向传播与误差反向传播
5.5 前馈网络的局限、反馈机制与前沿扩展
5.5.1 全连接网络的“参数爆炸”与空间结构丢失
5.5.2 前馈网络与反馈网络的本质区别
5.5.3 【前沿扩展】第三代神经网络：脉冲神经网络
本章小结
本章习题
第6章 图像处理与深度学习的核心算法与应用
6.1 图像分类技术的发展历程与典型应用场景
6.1.1 计算机视觉的基石：图像的数学表示
6.1.2 从手工特征工程到端到端的深度学习
6.1.3 计算机视觉的典型工程应用场景
6.2 卷积神经网络的基础理论：打破维度灾难
6.2.1 局部感受野
6.2.2 权值共享：参数骤减的方案
6.2.3 卷积层及其数学本质
6.2.4 池化层：特征降维与平移不变性
6.3 经典CNN模型结构分析：从LeNet‑5到现代架构
6.3.1 LeNet‑5模型深度剖析
6.3.2 【前沿扩展】从LeNet到深度残差网络（ResNet）
6.4 模型训练方法与调优策略
6.4.1 损失函数设计
6.4.2 优化器选择
6.4.3 学习率调整策略
本章小结
本章习题
第7章 自然语言处理与深度学习的核心算法与应用
7.1 自然语言处理的概念、发展历史与常见应用
7.1.1 自然语言处理的两大核心范畴
7.1.2 发展历史：从符号主义到深度学习的范式跃迁
7.1.3 典型应用场景与工程价值
7.2 文本预处理与表示：从原始字符到模型输入矩阵
7.2.1 文本切分：中英文分词的基础方法与差异
7.2.2 词向量工程：从独热编码到Word2Vec
7.3 循环神经网络与序列建模：赋予机器“记忆”
7.3.1 循环神经网络的内部结构与数学逻辑
7.3.2 循环神经网络的痛点：长期依赖与梯度消失
7.3.3 长短期记忆网络
7.4 编码器‑解码器架构与注意力机制
7.4.1 Seq2Seq架构的运转逻辑
7.4.2 传统Seq2Seq架构的“信息瓶颈”
7.4.3 注意力机制：模仿人类认知
7.5 Transformer架构核心原理：颠覆序列建模
7.5.1 为什么要抛弃RNN？来自现代GPU的工程算力呼唤
7.5.2 核心灵魂：自注意力（self‑attention）机制与Q‑K‑V矩阵
7.5.3 多头注意力：多维度的特征提取
7.5.4 位置编码：注入时间序列的坐标
7.6 预训练模型BERT与自然语言处理评价指标
7.6.1 BERT：开启NLP的“ImageNet时代”
7.6.2 自然语言处理的经典评价指标
本章小结
本章习题
第8章 大模型技术原理及应用
8.1 大模型的定义、预训练与微调技术
8.1.1 大模型的核心定义与关键特征
8.1.2 大模型的发展历程
8.1.3 大模型的训练要素：数据、算力与算法
8.1.4 预训练技术：大模型的“知识储备”核心
8.1.5 微调技术：大模型的“行业适配”关键
8.1.6 大模型的优化技术
8.2 大语言模型开源生态
8.2.1 开源大模型的核心价值与发展现状
8.2.2 主流开源大模型家族及核心特性
8.2.3 开源大模型的获取与部署工具
8.3 大模型开发流程与垂直行业适配挑战
8.3.1 大模型的完整开发流程
8.3.2 垂直行业适配的核心挑战
8.3.3 行业适配的应对策略与工程实践建议
本章小结
本章习题
第9章 生成式人工智能概述与核心技术
9.1 生成式AI原理及与传统AI的区别
9.1.1 生成式人工智能的概念与基本特征
9.1.2 生成式人工智能的发展阶段与关键支撑技术
9.1.3 生成式人工智能的价值与意义
9.2 生成模型训练与多模态内容生成
9.2.1 生成模型的训练思想与一般工作过程
9.2.2 典型生成模型及其基本原理
9.2.3 多模态内容生成与常见工具应用
9.2.4 提示词设计与使用方法
9.2.5 生成式人工智能的伦理挑战与规范治理
本章小结
本章习题
第10章 智能体与强化学习
10.1 智能体的基本结构与分类
10.1.1 智能体与环境交互的基本范式
10.1.2 理性、性能度量与PEAS描述
10.1.3 任务环境的分类维度
10.1.4 智能体程序的架构谱系
10.2 强化学习核心框架与Q‑Learning算法
10.2.1 马尔可夫决策过程：强化学习的数学语言
10.2.2 价值函数、贝尔曼方程与最优策略
10.2.3 时序差分学习：连接模型自由与自举的桥梁
10.2.4 Q‑Learning：异策略学习的经典实现
10.2.5 深度强化学习的前沿进展
10.3 人工智能伦理挑战、学术诚信与法律规范
10.3.1 人类伦理生活与人工智能的挑战
10.3.2 人工智能的五大伦理基准
10.3.3 中国优化共生设计方案
10.3.4 人工智能科研诚信与学术规范
10.3.5 人工智能的法律规制与司法应用
本章小结
本章习题
第二部分 人工智能在水利工程领域的应用
第11章 水资源智慧管理与优化调控
11.1 水库群联合调度
11.1.1 强化学习在多目标调度中的状态空间构建
11.1.2 基于深度Q网络的调度策略优化案例
11.2 灌溉系统智能控制
11.2.1 土壤墒情与作物需水的深度学习预测模型
11.2.2 分布式灌溉网络的强化学习决策框架
11.3 用水权市场化交易
11.3.1 深度学习驱动的初始用水权配置
11.3.2 多因素跟踪评估用水权交易效果
本章小结
本章习题
第12章 水利工程智能监测与安全评估
12.1 大坝安全监测
12.1.1 水利垂直行业大模型在安全评估中的演进与应用
12.1.2 CNN在大坝振动信号分析中的故障诊断
12.2 河道与堤防风险识别
12.2.1 无人机航拍图像的YOLO目标检测（如崩岸、管涌识别）
12.2.2 SAR影像在堤防隐患监测中的AI解译技术
12.2.3 基于大模型的极端天气风险预见期提升：华为盘古气象大模型
12.3 工程施工与运维优化
12.3.1 数字孪生驱动的施工进度预测
12.3.2 基于强化学习的运维资源调度优化
本章小结
本章习题
第13章 水生态综合保护与智能修复
13.1 生态流量预测
13.1.1 深度学习在河流生态流量阈值识别中的应用
13.1.2 多目标优化模型在生态流量与人类用水协调中的实践
13.2 水生生物栖息地评估
13.2.1 多光谱遥感数据的随机森林栖息地适宜性建模
13.2.2 物种分布模型与AI的结合技术
13.3 水污染溯源与治理方案优化
13.3.1 强化学习在流域污染治理策略优化中的应用
13.3.2 时空模式识别在面源污染溯源中的AI方法
13.4 污染源识别与水质预警
13.4.1 图神经网络在河流水质网络分析中的应用
13.4.2 时空关联分析在污染源追溯中的AI技术路径
本章小结
本章习题
第三部分 人工智能通识与专业实训
第14章 通用机器学习与深度学习实操
14.1 实操前提与环境准备
14.1.1 实操核心目标
14.1.2 软硬件环境配置
14.1.3 实操工具与数据集准备
14.2 通用机器学习实操
14.2.1 实操通用流程
14.2.2 通用机器学习基础实操
14.2.3 基于逻辑回归的垃圾邮件分类
14.2.4 实操技巧与注意事项
14.3 深度学习实操
14.3.1 深度学习实操通用流程
14.3.2 经典CNN模型的搭建、训练与结果可视化
14.3.3 深度学习实操技巧与注意事项
本章小结
本章习题
第15章 通用大模型与AIGC应用实践
15.1 基于Ollama的DeepSeek‑R1本地化快速部署与私人知识库问答
15.1.1 实验目的与环境准备
15.1.2 实验流程与实验步骤
15.2 利用AIGC工具协同生成水利文化/工程概念创意短视频
15.2.1 实验目的与环境准备
15.2.2 重要AIGC工具介绍
15.2.3 实践具体流程
15.2.4 实操案例
15.2.5 可作为备选的国内工具组合
本章小结
本章习题
每章习题参考答案
参考文献
前辅文
第一部分 人工智能通识理论
第1章 绪论
1.1 人工智能的起源与发展简史
1.1.1 人工智能的思想起源
1.1.2 达特茅斯会议与学科形成
1.1.3 从早期探索到阶段性低谷
1.1.4 从规则驱动到数据驱动
1.1.5 从机器学习到大模型时代
1.2 人工智能的研究内容与交叉学科体系
1.2.1 人工智能的核心研究内容
1.2.2 人工智能的核心研究目标
1.2.3 推理、决策与生成
1.2.4 人工智能的主要研究方向
1.2.5 人工智能的交叉学科体系
1.2.6 人工智能与行业场景融合
1.3 AI推动科学研究范式转变
1.3.1 人工智能进入科学研究
1.3.2 AI for Science的基本内涵
1.3.3 科学研究范式的变化
1.3.4 人工智能在水利及相关领域中的应用
本章小结
本章习题
第2章 人工智能的基本原理与早期应用
2.1 知识表示方法
2.1.1 知识表示的含义与作用
2.1.2 知识表示中的知识类型
2.1.3 典型知识表示方法
2.1.4 语义网络与框架表示
2.1.5 不同知识表示方法的比较与选择
2.2 推理方法与搜索策略
2.2.1 推理与搜索的基本问题
2.2.2 推理的含义与基本方式
2.2.3 搜索与状态空间
2.2.4 宽度优先搜索与深度优先搜索
2.2.5 启发式搜索及其意义
2.2.6 推理与搜索的结合
2.3 专家系统及其早期工程应用
2.3.1 专家系统的提出背景与基本思想
2.3.2 专家系统的组成结构
2.3.3 专家系统的工作流程
2.3.4 专家系统的早期工程应用
2.3.5 专家系统的优势与局限
本章小结
本章习题
第3章 机器学习的定义与分类
3.1 核心术语与流程
3.1.1 核心术语
3.1.2 基本流程
3.2 泛化能力与核心任务
3.3 机器学习算法分类
3.3.1 监督学习
3.3.2 无监督学习
3.3.3 半监督学习
3.3.4 强化学习
3.4 机器学习的典型应用
3.4.1 计算机视觉
3.4.2 自然语言处理
本章小结
本章习题
第4章 机器学习的经典算法与应用
4.1 线性回归
4.1.1 数学建模
4.1.2 学习准则
4.1.3 优化算法
4.2 逻辑斯谛回归
4.2.1 决策边界与概率映射
4.2.2 学习准则
4.2.3 优化过程
4.3 k近邻算法
4.3.1 算法三要素
4.3.2 惰性学习的特点
4.4 高斯混合模型
4.4.1 混合分布的思想
4.4.2 模型应用举例
4.5 决策树
4.5.1 模型结构
4.5.2 划分准则
4.6 集成学习
4.6.1 随机森林
4.6.2 集成学习的优势
本章小结
本章习题
第5章 神经网络基础
5.1 神经网络的发展历史
5.1.1 启蒙与初创（20世纪40年代—60年代）
5.1.2 第一次寒冬与反思（1969年—20世纪80年代）
5.1.3 复苏与爆发（20世纪80年代—至今）
5.2 神经元的数学模型与激活函数
5.2.1 生物神经元与人工数学模型的映射
5.2.2 激活函数：赋予神经网络“非线性”的表达能力
5.3 多层前馈神经网络的结构与演进
5.3.1 网络的层级架构
5.3.2 “前馈”与“全连接”的定义
5.3.3 参数与超参数的辨析
5.4 学习的机制：前向传播与误差反向传播
5.5 前馈网络的局限、反馈机制与前沿扩展
5.5.1 全连接网络的“参数爆炸”与空间结构丢失
5.5.2 前馈网络与反馈网络的本质区别
5.5.3 【前沿扩展】第三代神经网络：脉冲神经网络
本章小结
本章习题
第6章 图像处理与深度学习的核心算法与应用
6.1 图像分类技术的发展历程与典型应用场景
6.1.1 计算机视觉的基石：图像的数学表示
6.1.2 从手工特征工程到端到端的深度学习
6.1.3 计算机视觉的典型工程应用场景
6.2 卷积神经网络的基础理论：打破维度灾难
6.2.1 局部感受野
6.2.2 权值共享：参数骤减的方案
6.2.3 卷积层及其数学本质
6.2.4 池化层：特征降维与平移不变性
6.3 经典CNN模型结构分析：从LeNet‑5到现代架构
6.3.1 LeNet‑5模型深度剖析
6.3.2 【前沿扩展】从LeNet到深度残差网络（ResNet）
6.4 模型训练方法与调优策略
6.4.1 损失函数设计
6.4.2 优化器选择
6.4.3 学习率调整策略
本章小结
本章习题
第7章 自然语言处理与深度学习的核心算法与应用
7.1 自然语言处理的概念、发展历史与常见应用
7.1.1 自然语言处理的两大核心范畴
7.1.2 发展历史：从符号主义到深度学习的范式跃迁
7.1.3 典型应用场景与工程价值
7.2 文本预处理与表示：从原始字符到模型输入矩阵
7.2.1 文本切分：中英文分词的基础方法与差异
7.2.2 词向量工程：从独热编码到Word2Vec
7.3 循环神经网络与序列建模：赋予机器“记忆”
7.3.1 循环神经网络的内部结构与数学逻辑
7.3.2 循环神经网络的痛点：长期依赖与梯度消失
7.3.3 长短期记忆网络
7.4 编码器‑解码器架构与注意力机制
7.4.1 Seq2Seq架构的运转逻辑
7.4.2 传统Seq2Seq架构的“信息瓶颈”
7.4.3 注意力机制：模仿人类认知
7.5 Transformer架构核心原理：颠覆序列建模
7.5.1 为什么要抛弃RNN？来自现代GPU的工程算力呼唤
7.5.2 核心灵魂：自注意力（self‑attention）机制与Q‑K‑V矩阵
7.5.3 多头注意力：多维度的特征提取
7.5.4 位置编码：注入时间序列的坐标
7.6 预训练模型BERT与自然语言处理评价指标
7.6.1 BERT：开启NLP的“ImageNet时代”
7.6.2 自然语言处理的经典评价指标
本章小结
本章习题
第8章 大模型技术原理及应用
8.1 大模型的定义、预训练与微调技术
8.1.1 大模型的核心定义与关键特征
8.1.2 大模型的发展历程
8.1.3 大模型的训练要素：数据、算力与算法
8.1.4 预训练技术：大模型的“知识储备”核心
8.1.5 微调技术：大模型的“行业适配”关键
8.1.6 大模型的优化技术
8.2 大语言模型开源生态
8.2.1 开源大模型的核心价值与发展现状
8.2.2 主流开源大模型家族及核心特性
8.2.3 开源大模型的获取与部署工具
8.3 大模型开发流程与垂直行业适配挑战
8.3.1 大模型的完整开发流程
8.3.2 垂直行业适配的核心挑战
8.3.3 行业适配的应对策略与工程实践建议
本章小结
本章习题
第9章 生成式人工智能概述与核心技术
9.1 生成式AI原理及与传统AI的区别
9.1.1 生成式人工智能的概念与基本特征
9.1.2 生成式人工智能的发展阶段与关键支撑技术
9.1.3 生成式人工智能的价值与意义
9.2 生成模型训练与多模态内容生成
9.2.1 生成模型的训练思想与一般工作过程
9.2.2 典型生成模型及其基本原理
9.2.3 多模态内容生成与常见工具应用
9.2.4 提示词设计与使用方法
9.2.5 生成式人工智能的伦理挑战与规范治理
本章小结
本章习题
第10章 智能体与强化学习
10.1 智能体的基本结构与分类
10.1.1 智能体与环境交互的基本范式
10.1.2 理性、性能度量与PEAS描述
10.1.3 任务环境的分类维度
10.1.4 智能体程序的架构谱系
10.2 强化学习核心框架与Q‑Learning算法
10.2.1 马尔可夫决策过程：强化学习的数学语言
10.2.2 价值函数、贝尔曼方程与最优策略
10.2.3 时序差分学习：连接模型自由与自举的桥梁
10.2.4 Q‑Learning：异策略学习的经典实现
10.2.5 深度强化学习的前沿进展
10.3 人工智能伦理挑战、学术诚信与法律规范
10.3.1 人类伦理生活与人工智能的挑战
10.3.2 人工智能的五大伦理基准
10.3.3 中国优化共生设计方案
10.3.4 人工智能科研诚信与学术规范
10.3.5 人工智能的法律规制与司法应用
本章小结
本章习题
第二部分 人工智能在水利工程领域的应用
第11章 水资源智慧管理与优化调控
11.1 水库群联合调度
11.1.1 强化学习在多目标调度中的状态空间构建
11.1.2 基于深度Q网络的调度策略优化案例
11.2 灌溉系统智能控制
11.2.1 土壤墒情与作物需水的深度学习预测模型
11.2.2 分布式灌溉网络的强化学习决策框架
11.3 用水权市场化交易
11.3.1 深度学习驱动的初始用水权配置
11.3.2 多因素跟踪评估用水权交易效果
本章小结
本章习题
第12章 水利工程智能监测与安全评估
12.1 大坝安全监测
12.1.1 水利垂直行业大模型在安全评估中的演进与应用
12.1.2 CNN在大坝振动信号分析中的故障诊断
12.2 河道与堤防风险识别
12.2.1 无人机航拍图像的YOLO目标检测（如崩岸、管涌识别）
12.2.2 SAR影像在堤防隐患监测中的AI解译技术
12.2.3 基于大模型的极端天气风险预见期提升：华为盘古气象大模型
12.3 工程施工与运维优化
12.3.1 数字孪生驱动的施工进度预测
12.3.2 基于强化学习的运维资源调度优化
本章小结
本章习题
第13章 水生态综合保护与智能修复
13.1 生态流量预测
13.1.1 深度学习在河流生态流量阈值识别中的应用
13.1.2 多目标优化模型在生态流量与人类用水协调中的实践
13.2 水生生物栖息地评估
13.2.1 多光谱遥感数据的随机森林栖息地适宜性建模
13.2.2 物种分布模型与AI的结合技术
13.3 水污染溯源与治理方案优化
13.3.1 强化学习在流域污染治理策略优化中的应用
13.3.2 时空模式识别在面源污染溯源中的AI方法
13.4 污染源识别与水质预警
13.4.1 图神经网络在河流水质网络分析中的应用
13.4.2 时空关联分析在污染源追溯中的AI技术路径
本章小结
本章习题
第三部分 人工智能通识与专业实训
第14章 通用机器学习与深度学习实操
14.1 实操前提与环境准备
14.1.1 实操核心目标
14.1.2 软硬件环境配置
14.1.3 实操工具与数据集准备
14.2 通用机器学习实操
14.2.1 实操通用流程
14.2.2 通用机器学习基础实操
14.2.3 基于逻辑回归的垃圾邮件分类
14.2.4 实操技巧与注意事项
14.3 深度学习实操
14.3.1 深度学习实操通用流程
14.3.2 经典CNN模型的搭建、训练与结果可视化
14.3.3 深度学习实操技巧与注意事项
本章小结
本章习题
第15章 通用大模型与AIGC应用实践
15.1 基于Ollama的DeepSeek‑R1本地化快速部署与私人知识库问答
15.1.1 实验目的与环境准备
15.1.2 实验流程与实验步骤
15.2 利用AIGC工具协同生成水利文化/工程概念创意短视频
15.2.1 实验目的与环境准备
15.2.2 重要AIGC工具介绍
15.2.3 实践具体流程
15.2.4 实操案例
15.2.5 可作为备选的国内工具组合
本章小结
本章习题
每章习题参考答案
参考文献
